Google Earth AI baut Prognosemodelle – Fachprüfung bleibt unverzichtbar

Google Research stellte am 27. August 2026 die Planetary Prediction Engine (PPE) als experimentelle Forschungskomponente von Google Earth AI vor. Sie verarbeitet eine natürlichsprachlich formulierte Aufgabe, sucht und bereinigt Geodaten, trainiert Modelle und bewertet deren Leistung, wie die Ankündigung von Google Research erläutert.

Seit der Vorstellung am 27. August ist damit ein automatisierter Modellierungsablauf dokumentiert, kein allgemein verfügbarer Krisenprognosedienst. Für eine vorgegebene Fragestellung, Region, Zeitspanne und räumliche Auflösung erstellt die experimentelle PPE ein aufgabenspezifisches Modell; ob dessen Daten und Ergebnisse für eine reale Entscheidung tragfähig sind, muss weiterhin fachlich und extern geprüft werden.

Aus einer Fachfrage wird ein trainiertes Geomodell

Der Ablauf beginnt nicht bei null: Zusätzlich zur natürlichsprachlichen Aufgabe benötigt die PPE beschriftete Trainingsdaten. Aus ihnen und dem Auftrag bestimmt sie den Aufgabentyp, geografische Grenzen, zeitlichen Geltungsbereich, räumliche Auflösung und geeignete Schlüssel für die Verknüpfung verschiedener Datensätze. Unterstützt werden unter anderem räumliche Regression, die Übertragung grober Regionalwerte auf kleinere Gebiete und epidemiologisches Nowcasting.

Danach sucht das System nach erklärenden Variablen. Es greift auf Data Commons und Google Earth Engine zu und kann fehlende Signale zur Laufzeit in Behördenportalen oder wissenschaftlichen Repositorien suchen. Die Fundstellen werden nach Herkunft, Lizenz, räumlich-zeitlicher Passung, inhaltlicher Eignung, Datenformat und Redundanz bewertet und anschließend zu einer gemeinsamen Datentabelle verbunden.

Diese strukturierten Variablen kombiniert die PPE mit vortrainierten räumlichen Repräsentationen: dem Population Dynamics Foundation Model für demografische und sozioökonomische Muster sowie AlphaEarth für Merkmale aus Erdbeobachtungsdaten. Ein sogenanntes Feature Gate soll Variablen aussortieren, die Bestandteile der Zielgröße sind, auf denselben Erhebungen beruhen, zeitlich aus der Zukunft stammen oder als Folge statt als mögliche Ursache des Zielwerts gelten.

In der Modellierungsstufe durchsucht die PPE mehrere Verfahrensklassen, darunter regularisierte lineare Modelle, Gradient-Boosting-Verfahren und mehrschichtige neuronale Netze. Sie optimiert Hyperparameter, prüft Überanpassungsrisiken und erzeugt Prognosen, Bewertungswerte und einen Bericht. Das Ergebnis ist somit ein ausgeführter Modellierungsprozess und nicht bloß eine sprachlich formulierte Antwort.

Die bisherigen Resultate stammen aus drei Aufgabenfeldern

Die veröffentlichten Versuche decken Gesundheits- und Umweltdaten in den USA, Ernährungssicherheit in Nigeria sowie Ebola-Hotspots in der Demokratischen Republik Kongo ab. Der am 26. August eingereichte Preprint nennt für 21 US-Gesundheitsindikatoren ein mittleres R² von 76,8 Prozent gegenüber 60,0 Prozent bei der verwendeten manuellen Expertenpipeline. Beim Herunterskalieren nigerianischer Ernährungssicherheitsdaten erreichte die vollständige PPE-Konfiguration 66,1 Prozent gegenüber 31,5 Prozent für die definierte Basislinie.

Im Ebola-Test erzielte die vollständige Konfiguration einen Recall@10 von 83,3 Prozent. Über fünf aufeinanderfolgende Wochenprognosen befanden sich 15 von 18 später neu betroffenen Gesundheitszonen unter den jeweils zehn Gebieten mit dem höchsten vorhergesagten Risiko. Der Vergleichswert des publizierten bayesschen Ausgangsmodells lag laut Autoren bei ungefähr 73 Prozent.

Diese Zahlen lassen sich nicht zu einer allgemeinen Trefferquote der PPE zusammenfassen. Die Versuche verwenden unterschiedliche Zielgrößen, räumliche Einheiten, Vergleichsmodelle und Prüfverfahren. Insbesondere belegt die Ebola-Auswertung nur die Rangordnung neuer Hotspots bei einem einzelnen Ausbruch und einer bestimmten Überwachungsstruktur, nicht die Zuverlässigkeit bei anderen Erregern oder in anderen Ländern.

Warum die automatischen Prüfungen nicht ausreichen

Die PPE automatisiert den Modellbau, nicht die wissenschaftliche Verantwortung. Bereits die Definition der Zielgröße entscheidet, welche Beobachtung als Erfolg gilt. Ungeeignete räumliche Grenzen, verzerrte Trainingsdaten oder ein fachlich falsch gewählter Zeitraum können deshalb auch bei einem technisch korrekt ausgeführten Ablauf zu einer irreführenden Prognose führen.

Auch das Aussortieren ungeeigneter Variablen liefert keinen Kausalitätsnachweis. Räumliche Zusammenhänge können durch gemeinsame Ursachen, Erhebungsweisen oder administrative Grenzziehungen entstehen. Die Autoren bezeichnen die formale Verifikation ihrer Filter für kausale Richtungen selbst als offene Aufgabe.

Ein weiteres Ergebnis zeigt, dass zusätzliche Daten nicht zwangsläufig helfen: Bei der kleinräumigen Übertragung des US Social Vulnerability Index sank R² in einer Konfiguration von 52,0 auf 40,1 Prozent, nachdem hochauflösende AlphaEarth-Merkmale ergänzt worden waren. Die Autoren führen dies als mögliches Problem zwischen der feinen Auflösung physischer Satellitenmerkmale und einer sozioökonomischen Zielgröße auf einer anderen Verwaltungsebene an.

Vor einer Verwendung in Gesundheitswesen, Katastrophenschutz oder öffentlicher Planung müssen Fachleute daher Datenherkunft, Aktualität, Zieldefinition, räumliche Verzerrungen und die Übertragbarkeit auf den konkreten Einsatz prüfen. Hinzu kommt eine externe Validierung mit Daten, die weder für die Auswahl des Modells noch für seine Optimierung verwendet wurden.

Der Forschungsprototyp ist noch kein Planungsprodukt

Der öffentliche Stand bleibt begrenzt. Eine am 28. August aktualisierte Bestandsaufnahme hält fest, dass weder ein öffentlicher PPE-Endpunkt noch Quellcode, Modellgewichte, Preise oder ein Zugangsverfahren dokumentiert waren. Sie vermerkt außerdem, dass die Ergebnisse noch nicht unabhängig reproduziert oder durch ein Peer-Review bestätigt worden sind.

Auch das Paper selbst grenzt die Reichweite ein: Die verwendeten Foundation-Model-Embeddings bleiben unverändert, der Ausbruchstest umfasst nur ein Ereignis, und längere Prognosehorizonte sowie laufend aktualisierte Datenquellen werden als künftige Arbeit bezeichnet. Geplant ist außerdem die Verbindung räumlicher Übertragungsmodelle mit mechanistischen Ausbruchsmodellen.

Belegt ist damit ein experimenteller End-to-End-Ansatz, der Datenfindung, Aufbereitung, Merkmalsauswahl, Training und Bewertung für konkrete georäumliche Aufgaben zusammenführt. Nicht belegt sind eine dauerhaft zuverlässige Krisenprognose, die Übertragbarkeit auf beliebige Regionen oder ein regulärer Betrieb. Bis unabhängige Replikationen und operative Nachweise vorliegen, bleibt die fachliche Prüfung ein Bestandteil jeder belastbaren Nutzung.

Lesen Sie auch:

• Homeoffice bleibt: Zwei Tage sind in vielen deutschen Firmen der neue Standard